DE102020108365A1 - Method and device for determining service life information for an electrical energy store - Google Patents

Method and device for determining service life information for an electrical energy store Download PDF

Info

Publication number
DE102020108365A1
DE102020108365A1 DE102020108365.3A DE102020108365A DE102020108365A1 DE 102020108365 A1 DE102020108365 A1 DE 102020108365A1 DE 102020108365 A DE102020108365 A DE 102020108365A DE 102020108365 A1 DE102020108365 A1 DE 102020108365A1
Authority
DE
Germany
Prior art keywords
energy store
service life
usage data
statistical usage
prediction unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102020108365.3A
Other languages
German (de)
Inventor
Peter Huesson
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE102020108365.3A priority Critical patent/DE102020108365A1/en
Publication of DE102020108365A1 publication Critical patent/DE102020108365A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

Es wird eine Vorrichtung (110) zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher (100) beschrieben. Die Vorrichtung (110) ist eingerichtet, statistische Nutzungsdaten (150) in Bezug auf eine vorhergehende Nutzung des Energiespeichers (100) zu ermitteln. Des Weiteren ist die Vorrichtung (110) eingerichtet, anhand einer Machine-Learning-basierten Prädiktionseinheit und auf Basis der statistischen Nutzungsdaten (150) Lebensdauerinformation in Bezug auf einen Alterungszustand und/oder in Bezug auf eine verbleibende Lebensdauer des Energiespeichers (100) zu ermitteln.A device (110) for determining service life information for an electrical energy store (100) is described. The device (110) is set up to determine statistical usage data (150) in relation to a previous use of the energy store (100). Furthermore, the device (110) is set up to use a machine learning-based prediction unit and based on the statistical usage data (150) to determine service life information in relation to an aging condition and / or in relation to a remaining service life of the energy store (100).

Description

Die Erfindung betrifft ein Verfahren und eine entsprechende Vorrichtung, mit denen die voraussichtliche Lebensdauer und/oder der Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie, in präziser Weise prädiziert werden können.The invention relates to a method and a corresponding device with which the expected service life and / or the state of aging of an electrical energy store, in particular a vehicle battery, can be predicted in a precise manner.

Ein Fahrzeug weist ein oder mehrere Batterien auf, die ausgebildet sind, elektrische Energie für ein oder mehrere elektrische Verbraucher des Fahrzeugs zu speichern und bei Bedarf bereitzustellen. Das Fahrzeug kann z.B. eine Hochvoltbatterie umfassen, die eingerichtet ist, elektrische Energie für den Betrieb eines elektrischen Antriebsmotors des Fahrzeugs zu speichern. Alternativ oder ergänzend kann das Fahrzeug eine Niedervoltbatterie für den Betrieb von ein oder mehreren Niedervolt-Verbrauchern umfassen.A vehicle has one or more batteries which are designed to store electrical energy for one or more electrical consumers of the vehicle and to provide it when required. The vehicle can include, for example, a high-voltage battery which is set up to store electrical energy for the operation of an electrical drive motor of the vehicle. As an alternative or in addition, the vehicle can comprise a low-voltage battery for the operation of one or more low-voltage consumers.

Fahrzeuge werden von unterschiedlichen Nutzern in unterschiedliche Weise genutzt. Beispielsweise kann sich das Fahrverhalten der unterschiedlichen Nutzer unterscheiden. Des Weiteren können unterschiedliche Fahrzeuge in unterschiedlichen Klimazonen genutzt werden. Die unterschiedliche Nutzung von Fahrzeugen hat auch eine unterschiedliche Nutzung und/oder Belastung einer Fahrzeugbatterie zur Folge. Mit anderen Worten, unterschiedliche Fahrzeugbatterien können unterschiedliche Nutzungsszenarien aufweisen. Diese unterschiedlichen Nutzungsszenarien wirken sich jeweils individuell auf den Alterungszustand und/oder auf die verbleibende Lebensdauer der unterschiedlichen Fahrzeugbatterien aus (auch wenn es sich bei den unterschiedlichen Fahrzeugbatterien um Batterien des gleichen Typs handelt bzw. wenn die unterschiedlichen Fahrzeugbatterien baugleich sind).Vehicles are used in different ways by different users. For example, the driving behavior of the different users can differ. Furthermore, different vehicles can be used in different climate zones. The different use of vehicles also results in a different use and / or load on a vehicle battery. In other words, different vehicle batteries can have different usage scenarios. These different usage scenarios each have an individual effect on the state of aging and / or the remaining service life of the different vehicle batteries (even if the different vehicle batteries are batteries of the same type or if the different vehicle batteries are identical).

Das vorliegende Dokument befasst sich mit der technischen Aufgabe, den Alterungszustand und/oder die verbleibende Lebensdauer eines elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie, in effizienter und präziser Weise zu ermitteln.The present document deals with the technical task of determining the state of aging and / or the remaining service life of an electrical energy store, in particular a vehicle battery, in an efficient and precise manner.

Die Aufgabe wird durch jeden der unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.The problem is solved by each of the independent claims. Advantageous embodiments are described, inter alia, in the dependent claims. It is pointed out that additional features of a patent claim dependent on an independent patent claim without the features of the independent patent claim or only in combination with a subset of the features of the independent patent claim can form a separate invention independent of the combination of all features of the independent patent claim, which can be made the subject of an independent claim, a divisional application or a subsequent application. This applies equally to technical teachings described in the description, which can form an invention that is independent of the features of the independent patent claims.

Gemäß einem Aspekt wird eine Vorrichtung zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher beschrieben, insbesondere für einen elektrochemischen Energiespeicher, etwa für einen Bleibasierten Energiespeicher und/oder für einen Lithium-Ionen-basierten Energiespeicher. Der Energiespeicher kann z.B. als Hochvoltspeicher (mit einer Nennspannung von 300V oder mehr) oder als Niedervoltspeicher (mit einer Nennspannung von 60V oder weniger) ausgebildet sein, insbesondere für ein Kraftfahrzeug.According to one aspect, a device for determining service life information for an electrical energy store is described, in particular for an electrochemical energy store, for example for a lead-based energy store and / or for a lithium-ion-based energy store. The energy store can be designed, for example, as a high-voltage store (with a nominal voltage of 300V or more) or as a low-voltage store (with a nominal voltage of 60V or less), in particular for a motor vehicle.

Die Vorrichtung ist eingerichtet, statistische Nutzungsdaten in Bezug auf die vorhergehende und/oder die bisherige Nutzung des Energiespeichers (z.B. seit Inbetriebnahme des Energiespeichers) zu ermitteln. Die statistischen Nutzungsdaten können dabei eine statistische Verteilung von Messwerten von ein oder mehreren Messgrößen des Energiespeichers bei der vorhergehenden Nutzung des Energiespeichers anzeigen. Insbesondere können die statistischen Nutzungsdaten Histogramme von Messwerten für ein oder mehrere Messgrößen des Energiespeichers bei der vorhergehenden und/oder der bisherigen Nutzung des Energiespeichers umfassen. Beispielhafte Messgrößen sind: der Strom in den und/oder aus dem Energiespeicher; die Spannung an dem Energiespeicher; die Temperatur des Energiespeichers; und/oder der Ladezustand des Energiespeichers.The device is set up to determine statistical usage data in relation to the previous and / or previous use of the energy store (e.g. since the energy store was put into operation). The statistical usage data can display a statistical distribution of measured values of one or more measured variables of the energy store during the previous use of the energy store. In particular, the statistical usage data can include histograms of measured values for one or more measured variables of the energy store during the previous and / or previous use of the energy store. Exemplary measured variables are: the current into and / or from the energy store; the voltage across the energy store; the temperature of the energy store; and / or the state of charge of the energy store.

Die statistischen Nutzungsdaten zeigen typischerweise keine zeitlichen Verläufe der Messwerte der ein oder mehreren Messgrößen des Energiespeichers bei der vorhergehenden und/oder der bisherigen Nutzung des Energiespeichers an. Insbesondere können die statistischen Nutzungsdaten zwar die Häufigkeit anzeigen, mit der eine Messgröße des Energiespeichers bei der vorhergehenden Nutzung des Energiespeichers einen bestimmten Messwert (z.B. einen Messwert in einem bestimmten Wertebereich) aufgewiesen hat. Andererseits zeigen die statistischen Nutzungsdaten typischerweise keinen Zeitpunkt an, an dem die Messgröße des Energiespeichers bei der vorhergehenden Nutzung des Energiespeichers den bestimmten Messwert aufgewiesen hat.The statistical usage data typically does not show any temporal progressions of the measured values of the one or more measured variables of the energy store during the previous and / or previous use of the energy store. In particular, the statistical usage data can indeed display the frequency with which a measured variable of the energy store had a certain measured value (e.g. a measured value in a certain value range) when the energy store was previously used. On the other hand, the statistical usage data typically does not indicate a point in time at which the measured variable of the energy store had the determined measured value during the previous use of the energy store.

Die statistischen Nutzungsdaten können somit derart ausgebildet sein, dass die Nutzungsdaten in ressourceneffizienter Weise auf einer Speichereinheit (z.B. auf einer Speichereinheit eines Fahrzeugs) gespeichert werden können (während der gesamten Lebensdauer des Energiespeichers, die sich z.B. über 5 Jahre oder mehr, oder über 8 Jahre oder mehr erstreckt).The statistical usage data can thus be designed in such a way that the usage data can be stored in a resource-efficient manner on a storage unit (for example on a storage unit of a vehicle) (during the entire service life of the energy store, which is e.g. extends over 5 years or more, or over 8 years or more).

Die statistischen Nutzungsdaten an einem bestimmten Zeitpunkt können z.B. derart sein, dass durch die statistischen Nutzungsdaten (nur) die kumulierte Nutzung des Energiespeichers (seit Inbetriebnahme) bis zu dem bestimmten Zeitpunkt beschrieben wird. Andererseits wird durch die statistischen Nutzungsdaten typischerweise nicht die chronologische Reihenfolge der Nutzung des Energiespeichers beschrieben.The statistical usage data at a certain point in time can, for example, be such that the statistical usage data (only) describes the accumulated use of the energy storage device (since commissioning) up to the certain point in time. On the other hand, the statistical usage data typically does not describe the chronological order in which the energy storage device is used.

Die Vorrichtung ist ferner eingerichtet, anhand einer Machine-Learning-basierten Prädiktionseinheit und auf Basis der statistischen Nutzungsdaten Lebensdauerinformation in Bezug auf den Alterungszustand und/oder in Bezug auf die verbleibende Lebensdauer des Energiespeichers zu ermitteln. Die Machine-Learning-basierte Prädiktionseinheit kann dabei auf Basis von Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen angelernt worden sein, wobei ein Trainings-Datensatz z.B. ein gemessenes oder simuliertes Tupel aus statistischen Nutzungsdaten und entsprechender Lebensdauerinformation umfasst.The device is also set up to determine service life information in relation to the state of aging and / or in relation to the remaining service life of the energy store on the basis of a machine learning-based prediction unit and on the basis of the statistical usage data. The machine-learning-based prediction unit can have been trained on the basis of training data with a large number of training data sets, with a training data set comprising, for example, a measured or simulated tuple of statistical usage data and corresponding service life information.

Die Verwendung einer Machine-Learning-basierten Prädiktionseinheit ermöglicht es auch auf Basis von statistischen Nutzungsdaten (die typischerweise keine Information in Bezug auf den zeitlichen Verlauf der Nutzung, sondern nur in Bezug auf die kumulierte Nutzung des Energiespeichers umfassen) in präziser Weise Lebensdauerinformation für den Energiespeicher zu prädizieren.The use of a machine-learning-based prediction unit also enables service life information for the energy storage device to be precise in a precise manner on the basis of statistical usage data (which typically do not include any information relating to the temporal course of use, but only relating to the cumulative use of the energy storage device) to predict.

Die Machine-Learning-basierte Prädiktionseinheit kann ausgebildet sein, unterschiedlichen Datensätzen mit statistischen Nutzungsdaten entsprechende unterschiedliche Datensätze mit Lebensdauerinformation zuzuweisen (in einer Eins-zu-Eins Beziehung). Insbesondere kann die Machine-Learning-basierte Prädiktionseinheit ein neuronales Netz umfassen, das ein oder mehrere Eingangs-Knoten zur Aufnahme eines Datensatzes mit statistischen Nutzungsdaten und ein oder mehrere Ausgangs-Knoten zur Bereitstellung eines entsprechenden Datensatzes mit Lebensdauerinformation aufweist. So kann in besonders zuverlässiger Weise präzise Lebensdauerinformation bereitgestellt werden.The machine-learning-based prediction unit can be designed to assign different data sets with service life information to different data sets with statistical usage data (in a one-to-one relationship). In particular, the machine learning-based prediction unit can comprise a neural network which has one or more input nodes for receiving a data record with statistical usage data and one or more output nodes for providing a corresponding data record with service life information. In this way, precise service life information can be provided in a particularly reliable manner.

Die Vorrichtung kann eingerichtet sein, in Abhängigkeit von der ermittelten Lebensdauerinformation einen Hinweis an einen Nutzer des Energiespeichers auszugeben, z.B. um den Nutzer zu veranlassen, den Energiespeicher auszutauschen. Insbesondere kann die Vorrichtung eingerichtet sein, die durch die ermittelte Lebensdauerinformation angezeigte verbleibende Lebensdauer des Energiespeichers mit einem Lebensdauer-Schwellenwert zu vergleichen. Es kann dann eine Maßnahme zur Wartung und/oder zum Austausch des Energiespeichers (z.B. die Ausgabe eines Hinweises an einen Nutzer des Energiespeichers) veranlasst werden, wenn ermittelt wird, dass die verbleibende Lebensdauer kleiner als der Lebensdauer-Schwellenwert ist. So kann die Zuverlässigkeit des Betriebs eines Energiespeichers erhöht werden.The device can be set up to output a message to a user of the energy store as a function of the determined service life information, e.g. to induce the user to replace the energy store. In particular, the device can be set up to compare the remaining service life of the energy store, which is indicated by the service life information determined, with a service life threshold value. A measure for maintenance and / or replacement of the energy store (e.g. the output of a message to a user of the energy store) can then be initiated if it is determined that the remaining service life is less than the service life threshold value. In this way, the reliability of the operation of an energy store can be increased.

Die Vorrichtung kann eingerichtet sein, die statistischen Nutzungsdaten für einen bestimmten Zeitpunkt zu ermitteln. Es kann dann anhand der Prädiktionseinheit die Lebensdauerinformation für den bestimmten Zeitpunkt, insbesondere der Alterungszustand an dem bestimmten Zeitpunkt und/oder die verbleibende Lebensdauer ab dem bestimmten Zeitpunkt ermittelt werden.The device can be set up to determine the statistical usage data for a specific point in time. The service life information for the specific point in time, in particular the state of aging at the specific point in time and / or the remaining lifetime from the specific point in time, can then be determined on the basis of the prediction unit.

Gemäß einem weiteren Aspekt wird eine Vorrichtung zum Anlernen einer Machine-Learning-basierten Prädiktionseinheit beschrieben, die ausgebildet ist, auf Basis von statistischen Nutzungsdaten in Bezug auf die vorhergehende und/oder die bisherige Nutzung des Energiespeichers Lebensdauerinformation in Bezug auf den Alterungszustand und/oder in Bezug auf die verbleibende Lebensdauer des Energiespeichers bereitzustellen. Die Vorrichtung kann auf einem Fahrzeug-externen Server implementiert sein.According to a further aspect, a device for teaching a machine-learning-based prediction unit is described, which is designed on the basis of statistical usage data in relation to the previous and / or previous use of the energy store, service life information in relation to the state of aging and / or in Provide reference to the remaining service life of the energy storage. The device can be implemented on a server external to the vehicle.

Die Vorrichtung ist eingerichtet, eine Vielzahl von Trainings-Datensätzen bereitzustellen, wobei ein Trainings-Datensatz ein gemessenes oder simuliertes Tupel aus statistischen Nutzungsdaten und entsprechender Lebensdauerinformation umfasst.The device is set up to provide a multiplicity of training data sets, a training data set comprising a measured or simulated tuple of statistical usage data and corresponding service life information.

Insbesondere kann die Vorrichtung eingerichtet sein, mittels eines Simulationsmodells des Energiespeichers ein Nutzungsszenario des Energiespeichers von der Inbetriebnahme bis zu dem Lebensende des Energiespeichers zu simulieren. Es kann dann an zumindest einem Zeitpunkt innerhalb des Nutzungsszenarios auf Basis von Daten aus dem Simulationsmodell ein Trainings-Datensatz mit einem simulierten Tupel aus statistischen Nutzungsdaten und entsprechender Lebensdauerinformation ermittelt werden. Typischerweise kann an mehreren unterschiedlichen Zeitpunkten innerhalb des Nutzungsszenarios jeweils ein Trainings-Datensatz ermittelt werden.In particular, the device can be set up to use a simulation model of the energy store to simulate a usage scenario of the energy store from commissioning to the end of the life of the energy store. A training data set with a simulated tuple of statistical usage data and corresponding service life information can then be determined at at least one point in time within the usage scenario on the basis of data from the simulation model. Typically, a training data set can be determined at several different points in time within the usage scenario.

In entsprechender Weise können mittels des Simulationsmodells mehrere unterschiedliche Nutzungsszenarien simuliert werden, wobei die unterschiedlichen Nutzungsszenarien unterschiedliche zeitliche Verläufe von Messwerten für ein oder mehrere Messgrößen des Energiespeichers umfassen können. Es kann dann für jedes der unterschiedlichen Nutzungsszenarien zumindest einen Trainings-Datensatz ermittelt werden.In a corresponding manner, several different usage scenarios can be simulated by means of the simulation model, wherein the different usage scenarios can include different temporal progressions of measured values for one or more measured variables of the energy store. At least one training data set can then be determined for each of the different usage scenarios.

Es können somit Trainingsdaten bereitgestellt werden, um eine Prädiktionseinheit anzulernen, die auch für unterschiedliche Nutzungsszenarien präzise Lebensdauerinformation bereitstellen kann.Training data can thus be provided in order to learn a prediction unit that can also provide precise service life information for different usage scenarios.

Die Vorrichtung ist ferner eingerichtet, die Prädiktionseinheit, insbesondere ein neuronales Netz der Prädiktionseinheit, auf Basis der Vielzahl von Trainings-Datensätzen anzulernen.The device is also set up to train the prediction unit, in particular a neural network of the prediction unit, on the basis of the multiplicity of training data sets.

Gemäß einem weiteren Aspekt wird ein (Straßen-) Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus oder ein Motorrad) beschrieben, das eine der in diesem Dokument beschriebene Vorrichtungen umfasst.According to a further aspect, a (road) motor vehicle (in particular a passenger car or a truck or a bus or a motorcycle) is described which comprises one of the devices described in this document.

Gemäß einem weiteren Aspekt wird ein Verfahren zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher beschrieben. Das Verfahren umfasst das Ermitteln von statistischen Nutzungsdaten in Bezug auf eine vorhergehende Nutzung des Energiespeichers. Des Weiteren umfasst das Verfahren das Ermitteln, anhand einer Machine-Learning-basierten Prädiktionseinheit und auf Basis der statistischen Nutzungsdaten, von Lebensdauerinformation in Bezug auf einen Alterungszustand und/oder in Bezug auf eine verbleibende Lebensdauer des Energiespeichers.According to a further aspect, a method for determining service life information for an electrical energy store is described. The method comprises the determination of statistical usage data in relation to a previous use of the energy store. Furthermore, the method comprises determining, using a machine learning-based prediction unit and based on the statistical usage data, service life information with regard to an aging condition and / or with regard to a remaining service life of the energy store.

Gemäß einem weiteren Aspekt wird ein Verfahren zum Anlernen einer Machine-Learning-basierten Prädiktionseinheit beschrieben, die ausgebildet ist, auf Basis von statistischen Nutzungsdaten in Bezug auf eine vorhergehende Nutzung des Energiespeichers Lebensdauerinformation in Bezug auf einen Alterungszustand und/oder in Bezug auf eine verbleibende Lebensdauer des Energiespeichers bereitzustellen. Das Verfahren umfasst das Ermitteln einer Vielzahl von Trainings-Datensätzen; wobei ein Trainings-Datensatz ein gemessenes oder simuliertes Tupel aus statistischen Nutzungsdaten und entsprechender Lebensdauerinformation umfasst. Des Weiteren umfasst das Verfahren das Anlernen der Prädiktionseinheit, insbesondere eines neuronalen Netzes der Prädiktionseinheit, auf Basis der Vielzahl von Trainings-Datensätzen.According to a further aspect, a method for teaching a machine learning-based prediction unit is described, which is designed on the basis of statistical usage data with regard to a previous use of the energy store, service life information with regard to an aging condition and / or with regard to a remaining service life of the energy storage system. The method comprises determining a plurality of training data sets; wherein a training data set comprises a measured or simulated tuple of statistical usage data and corresponding service life information. Furthermore, the method includes teaching the prediction unit, in particular a neural network of the prediction unit, on the basis of the large number of training data sets.

Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs) ausgeführt zu werden, und um dadurch eines der in diesem Dokument beschriebenen Verfahren auszuführen.According to a further aspect, a software (SW) program is described. The software program can be set up to be executed on a processor (e.g. on a control unit of a vehicle) and thereby to execute one of the methods described in this document.

Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch eines der in diesem Dokument beschriebenen Verfahren auszuführen.According to a further aspect, a storage medium is described. The storage medium can comprise a software program which is set up to be executed on a processor and thereby to execute one of the methods described in this document.

Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.It should be noted that the methods, devices and systems described in this document can be used both alone and in combination with other methods, devices and systems described in this document. Furthermore, any aspects of the methods, devices and systems described in this document can be combined with one another in diverse ways. In particular, the features of the claims can be combined with one another in diverse ways.

Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen

  • 1a einen beispielhaften elektrischen Energiespeicher;
  • 1b beispielhafte statistische Nutzungsdaten eines Energiespeichers;
  • 2a ein beispielhaftes neuronales Netz;
  • 2b ein beispielhaftes Neuron;
  • 3a ein Ablaufdiagramm eines beispielhaften Verfahrens zum Anlernen einer Prädiktionseinheit; und
  • 3b ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher.
The invention is described in more detail below on the basis of exemplary embodiments. Show it
  • 1a an exemplary electrical energy storage device;
  • 1b exemplary statistical usage data of an energy store;
  • 2a an exemplary neural network;
  • 2 B an exemplary neuron;
  • 3a a flowchart of an exemplary method for training a prediction unit; and
  • 3b a flowchart of an exemplary method for determining service life information for an electrical energy store.

Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der präzisen und zuverlässigen Prädiktion von Lebensdauerinformation in Bezug auf den Alterungszustand und/oder die voraussichtlich verbleibende Lebensdauer eines elektrischen, insbesondere eines elektrochemischen, Energiespeichers. In 1a ist ein beispielhafter elektrischer Energiespeicher 100 gezeigt. Des Weiteren zeigt 1a eine beispielhafte Überwachungs-Vorrichtung 110, die eingerichtet ist, Nutzungsdaten in Bezug auf die Nutzung des Energiespeichers 100 zu erfassen und zu speichern.As stated at the beginning, the present document deals with the precise and reliable prediction of service life information in relation to the state of aging and / or the expected remaining service life of an electrical, in particular an electrochemical, energy store. In 1a is an exemplary electrical energy storage device 100 shown. Furthermore shows 1a an exemplary monitoring device 110 that is set up, usage data relating to the use of the energy storage device 100 to capture and store.

Während des Betriebs des Energiespeichers 100 können Messwerte von ein oder mehreren Messgrößen erfasst werden. Beispielhafte Messgrößen sind

  • • der Strom 102 in den oder aus dem Energiespeicher 100, der z.B. mit einer Strom-Messeinheit 101 erfasst werden kann;
  • • die Spannung 104 an dem Energiespeicher 100, die z.B. mit einer Spannungs-Messeinheit 103 erfasst werden kann;
  • • die Temperatur des Energiespeichers 100, die z.B. mit einer Temperatur-Messeinheit 105 erfasst werden kann; und/oder
  • • der Ladezustand (bzw. State of Charge) des Energiespeichers 100.
During operation of the energy storage system 100 measured values of one or more measured variables can be recorded. Exemplary measured variables are
  • • The current 102 into or from the energy store 100 , for example with a current measuring unit 101 can be captured;
  • • the voltage 104 on the energy store 100 , for example with a voltage measuring unit 103 can be captured;
  • • the temperature of the energy store 100 , for example with a temperature measuring unit 105 can be captured; and or
  • • the state of charge (or state of charge) of the energy storage device 100 .

Die im Laufe des Betriebs des Energiespeichers 100 erfassten Messwerte für die ein oder mehreren Messgrößen 102, 104 können von der Vorrichtung 110 statistisch ausgewertet und als statistische Nutzungsdaten gespeichert werden. 1b zeigt statistische Nutzungsdaten 150 in Bezug auf eine bestimmte Messgröße 102, 104 (z.B. den Strom, die Temperatur oder den Ladezustand). Die statistischen Nutzungsdaten 150 können z.B. die (kumulierte und/oder die mittlere) Häufigkeit 151 anzeigen, mit der die Messgröße 102, 104 im Rahmen der bisherigen Nutzung einen bestimmten Wert 152 angenommen hat. Beispielsweise können die Nutzungsdaten 150 für eine bestimmte Messgröße 102, 104 ein Histogramm umfassen, das für unterschiedliche Wertebereiche die jeweilige (kumulierte und/oder mittlere) Häufigkeit 151 anzeigt, mit der in der Vergangenheit Werte der Messgröße 102, 104 aufgetreten sind.The in the course of the operation of the energy storage 100 recorded measured values for the one or more measured variables 102 , 104 can from the device 110 statistically evaluated and stored as statistical usage data. 1b shows statistical usage data 150 in relation to a certain measurand 102 , 104 (e.g. the current, the temperature or the state of charge). The statistical usage data 150 eg the (cumulative and / or the mean) frequency 151 with which the measured variable 102 , 104 a certain value within the framework of previous use 152 has accepted. For example, the usage data 150 for a certain measurand 102 , 104 include a histogram showing the respective (cumulative and / or mean) frequency for different value ranges 151 indicates with the values of the measured variable in the past 102 , 104 appeared.

Die statistischen Nutzungsdaten 150 ermöglichen es, die bisherige Nutzung und/oder Belastung des Energiespeichers 100 in ressourceneffizienter Weise zu dokumentieren. Andererseits erlauben es die statistischen Nutzungsdaten 150 typischerweise nicht, die tatsächliche Nutzung und/oder Belastung des Energiespeichers 100 in zeitlich chronologischer Weise zu rekonstruieren. Insbesondere geht aus den statistischen Nutzungsdaten 150 typischerweise nicht hervor, welchen Messwert eine Messgröße 102, 104 des Energiespeichers 100 an einem bestimmten Zeitpunkt aufgewiesen hat. Vielmehr kann aus den statistischen Nutzungsdaten 150 typischerweise nur entnommen werden, wie häufig und/oder mit welcher Wahrscheinlichkeit die Messgröße 101, 104 in der Vergangenheit einen bestimmten Messwert aufgewiesen hat.The statistical usage data 150 enable the previous use and / or load on the energy storage device 100 document in a resource-efficient manner. On the other hand, the statistical usage data allow it 150 typically not the actual use and / or load on the energy storage device 100 to be reconstructed in chronological order. In particular, it comes from the statistical usage data 150 typically does not reveal which measured value a measured variable 102 , 104 of the energy storage 100 at a certain point in time. Rather, from the statistical usage data 150 typically only how often and / or with what probability the measured variable is taken 101 , 104 has shown a certain reading in the past.

Die Vorrichtung 110 kann somit derart ausgebildet sein, dass nur eine statistische, jedoch keine detaillierte (zeitlich chronologische) Aufzeichnung des Gebrauches des Energiespeichers 100 erfolgt. Insbesondere werden die Informationen, wie der Energiespeicher 100 an einer Sequenz von aufeinanderfolgenden Zeitpunkten gebraucht wird (z.B. in Bezug auf die Messgrößen 102, 104 Strom 102, Temperatur, Ladezustand, etc.), typischerweise nicht detailliert geloggt. Vielmehr werden die Kenngrößen (d.h. die Messwerte von ein oder mehreren Messgrößen 102, 104) des Energiespeichers 100 nur in Histogrammen (d.h. als statistische Nutzungsdaten 150) abgelegt. Aus den statistischen Nutzungsdaten 150 kann typischerweise nicht die tatsächliche Nutzung und/oder Belastung des Energiespeichers 100 an der Sequenz von aufeinanderfolgenden Zeitpunkten (seit Inbetriebnahme bis zu dem aktuellen Zeitpunkt) rekonstruiert werden. Ferner kann typischerweise nicht der tatsächliche Alterungszustand (insbesondere der sogenannte State of Health, SOH) ermittelt werden.The device 110 can thus be designed in such a way that only a statistical, but not a detailed (chronological) record of the use of the energy store 100 he follows. In particular, the information such as the energy storage 100 is needed at a sequence of successive points in time (e.g. in relation to the measured variables 102 , 104 current 102 , Temperature, state of charge, etc.), typically not logged in detail. Rather, the parameters (ie the measured values of one or more measured variables 102 , 104 ) of the energy storage 100 only in histograms (ie as statistical usage data 150 ) filed. From the statistical usage data 150 typically cannot reflect the actual use and / or load on the energy storage system 100 can be reconstructed on the sequence of successive points in time (from commissioning to the current point in time). Furthermore, the actual state of aging (in particular the so-called State of Health, SOH) cannot typically be determined.

Während des Betriebs einer Vielzahl von Energiespeichern 100 und/oder anhand eines digitalen Simulationsmodells eines Energiespeichers 100 können Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen ermittelt werden. Dabei kann ein Trainings-Datensatz umfassen,

  • • gemessene oder simulierte Nutzungsdaten 150 für einen Energiespeicher 100, der in einer bestimmten Weise bzw. mit einem bestimmten Nutzungsszenario genutzt wurde; und
  • • gemessene oder simulierte Lebensdauerinformation in Bezug auf den Alterungszustand und/oder die voraussichtliche Lebensdauer des Energiespeichers 100.
During the operation of a large number of energy storage devices 100 and / or using a digital simulation model of an energy store 100 training data can be determined with a large number of training data sets. A training data set can include
  • • measured or simulated usage data 150 for an energy store 100 that was used in a certain way or with a certain usage scenario; and
  • • Measured or simulated service life information in relation to the state of aging and / or the expected service life of the energy storage device 100 .

Beispielsweise können während des Betriebs eines Energiespeichers 100 an unterschiedlichen Zeitpunkten jeweils die von der Vorrichtung 110 gespeicherten statistischen Nutzungsdaten 150 ermittelt werden. Des Weiteren kann durch konkrete Messungen an dem Energiespeicher 100 an dem jeweiligen Zeitpunkt der tatsächliche Alterungszustand des Energiespeichers 100 gemessen werden. Alternativ oder ergänzend kann auf Basis der tatsächlichen Lebensdauer des Energiespeichers 100 (die sich in Zukunft ergibt) die noch verbleibende Lebensdauer des Energiespeichers 100 an dem jeweiligen Zeitpunkt errechnet werden.For example, during the operation of an energy store 100 at different times in each case by the device 110 stored statistical usage data 150 be determined. Furthermore, through specific measurements on the energy storage 100 the actual state of aging of the energy store at the respective point in time 100 be measured. Alternatively or in addition, it can be based on the actual service life of the energy store 100 (which will result in the future) the remaining service life of the energy storage device 100 be calculated at the respective point in time.

Für einen Energiespeicher 100 wird typischerweise im Rahmen der Entwicklung des Energiespeichers 100 ein Simulationsmodell des Energiespeichers 100 erstellt, das es ermöglicht, das Verhalten des Energiespeichers 100 zu simulieren. Das Simulationsmodell berücksichtigt dabei typischerweise auch Aspekte der Alterung und/oder der Lebensdauer. Das Simulationsmodell des Energiespeichers 100 kann dazu genutzt werden, in besonders effizienter Weise Trainings-Datensätze zu generieren. Zu diesem Zweck kann anhand des Simulationsmodells der Betrieb des Energiespeichers 100 mit einem bestimmten Nutzungsszenario simuliert werden. Im Rahmen der Simulation können an unterschiedlichen Zeitpunkten jeweils Tupel bzw. Gruppen bzw. Datensätze aus statistischen Nutzungsdaten 150 und entsprechender Lebensdauerinformation ermittelt werden. Dieser Prozess kann für mehrere unterschiedliche Nutzungsszenarien wiederholt werden, um umfangreiche Trainingsdaten bereitzustellen.For an energy store 100 is typically used in the development of energy storage systems 100 a simulation model of the energy storage system 100 created, which enables the behavior of the energy store 100 to simulate. The simulation model typically also takes into account aging and / or service life aspects. The simulation model of the energy storage system 100 can be used to generate training data sets in a particularly efficient way. For this purpose, the operation of the energy store can be based on the simulation model 100 can be simulated with a specific usage scenario. Within the scope of the simulation, tuples or groups or data records from statistical usage data can be created at different times 150 and corresponding service life information can be determined. This process can be repeated for several different usage scenarios in order to provide extensive training data.

Die Trainingsdaten können dazu genutzt werden, eine Machine-learning-basierte Prädiktionseinheit anzulernen, wobei die Prädiktionseinheit eingerichtet ist, auf Basis von gemessenen statistischen Nutzungsdaten 150 für einen tatsächlich betriebenen Energiespeicher 100 Lebensdauerinformation in Bezug auf den Alterungszustand und/oder in Bezug auf die verbleibende Lebensdauer des tatsächlich betriebenen Energiespeichers 100 zu prädizieren. Die Prädiktionseinheit kann ein oder mehrere neuronale Netze umfassen, die auf Basis der Trainingsdaten angelernt werden.The training data can be used to train a machine-learning-based prediction unit, the prediction unit being set up on the basis of measured statistical data Usage data 150 for an actually operated energy storage device 100 Service life information in relation to the state of aging and / or in relation to the remaining service life of the energy store actually operated 100 to predict. The prediction unit can comprise one or more neural networks that are learned on the basis of the training data.

2a und 2b zeigen beispielhafte Komponenten eines neuronalen Netzes 200, insbesondere eines Feedforward-Netzes. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Wert einer Eingangsgröße als Eingangswert 201 aufnehmen. Die ein oder mehreren Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211. Das Netz 200 kann z.B. ausgebildet sein, als Eingangswerte 201 statistische Nutzungsdaten 150 eines Energiespeichers 100 aufzunehmen. 2a and 2 B show exemplary components of a neural network 200 , especially a feedforward network. The network 200 comprises two input neurons or input nodes in the example shown 202 , which at a certain point in time t each have a current value of an input variable as an input value 201 take up. The one or more input nodes 202 are part of an entry layer 211 . The network 200 can for example be designed as input values 201 statistical usage data 150 an energy storage system 100 to record.

Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln. Das neuronale Netz 200 kann ausgebildet sein, als Ausgangswerte 203 Lebensdauerinformation für einen Energiespeicher 100 bereitzustellen.The neural network 200 also includes neurons 220 in one or more hidden layers 212 of the neural network 200 . Each of the neurons 220 can use the individual output values of the neurons of the previous layer as input values 212 , 211 have (or at least part of them). In each of the neurons 220 processing takes place in order to generate an output value of the neuron as a function of the input values 220 to investigate. The output values of the neurons 220 the last hidden layer 212 can be in an output neuron or output node 220 an output layer 213 processed to the one or more output values 203 of the neural network 200 to investigate. The neural network 200 can be designed as output values 203 Lifetime information for an energy storage device 100 provide.

2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 abgebildet werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Ggf. kann der Wert der gewichteten Summe 224 mit einem Offset 227 verschoben werden. 2 B illustrates the exemplary signal processing within a neuron 220 , especially within the neurons 202 the one or more hidden layers 212 and / or the output layer 213 . The input values 221 of the neuron 220 are with individual weights 222 weighted to in a total unit 223 a weighted sum 224 of the input values 221 to be determined (if necessary, taking into account a bias or offset 227 ). Through an activation function 225 can be the weighted sum 224 to an initial value 226 of the neuron 220 can be mapped. You can use the activation function 225 For example, the range of values can be limited. For a neuron 220 can eg a sigmoid function or a hyperbolic tangent (tanh) function or a rectified linear unit (ReLU), eg f (x) = max (0, x) as activation function 225 be used. If necessary, the value of the weighted sum 224 with an offset 227 be moved.

Ein Neuron 220 weist somit Gewichte 222 und/oder ggf. einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase auf Basis von Trainingsdaten angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Funktion approximiert und/oder ein bestimmtes Verhalten modelliert.A neuron 220 thus has weights 222 and / or an offset, if applicable 227 as a neuron parameter. The neuron parameters of the neurons 220 of a neural network 200 can be learned in a training phase on the basis of training data in order to cause the neural network 200 approximates a certain function and / or models a certain behavior.

Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer qten Epoche eines Lern-Algorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Auf Basis der Ausgangswerte 203 kann der Wert einer Optimierungs- bzw. Fehlerfunktion ermittelt werden. Die statistischen Nutzungsdaten 150 eines Trainings-Datensatze können dabei als Eingangswerte 201 an das neuronale Netz 200 übergeben werden. Die Lebensdauerinformation des Trainings-Datensatzes kann als Sollwert für die Ausgangswerte 203 des neuronalen Netze 200 betrachtet werden. Der Wert der Optimierungs- bzw. Fehlerfunktion kann von der Abweichung der tatsächlichen Ausgangswerte 203 und des Sollwerts für die Ausgangswerte 203 abhängen.Learning a neural network 200 can be done using the backpropagation algorithm, for example. For this purpose, a learning algorithm for the input values can be used in a first phase of a q th epoch 201 at the one or more input nodes 202 of the neural network 200 corresponding output values 203 at the output of the one or more output neurons 220 be determined. On the basis of the initial values 203 the value of an optimization or error function can be determined. The statistical usage data 150 of a training data set can be used as input values 201 to the neural network 200 be handed over. The service life information of the training data set can be used as a target value for the output values 203 of neural networks 200 to be viewed as. The value of the optimization or error function can vary from the actual output values 203 and the setpoint for the output values 203 depend.

In einer zweiten Phase der qten Epoche des Lern-Algorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß und/oder eine Richtung zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lern-Algorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenz- und/oder Abbruchkriterium erreicht wird.In a second phase of the q th epoch of the learning algorithm, the error or the error value is propagated back from the output to the input of the neural network in order to transfer the neuron parameters of the neurons in layers 220 to change. The error function determined at the output can be partially based on each individual neuron parameter of the neural network 200 can be derived in order to determine an extent and / or a direction for adapting the individual neuron parameters. This learning algorithm can be repeated iteratively for a large number of epochs until a predefined convergence and / or termination criterion is reached.

Das angelernte neuronale Netz 200 bzw. allgemein die angelernte Prädiktionseinheit kann im Betrieb eines Energiespeichers 100 dazu genutzt werden, auf Basis der an einem bestimmten Zeitpunkt verfügbaren statistischen Nutzungsdaten 150 des Energiespeichers 100 Lebensdauerinformation für den Energiespeicher 100 zu prädizieren. Auf Basis der prädizierten Lebensdauerinformation kann dann ggf. eine Maßnahme veranlasst werden, z.B. um den Energiespeicher 100 zu warten oder (vor Ende der prädizierten Lebensdauer des Energiespeichers 100) auszutauschen. So kann die Zuverlässigkeit des Betriebs eines Energiespeicher 100 und/oder eines Fahrzeugs, in dem der Energiespeicher 100 betrieben wird, erhöht werden.The learned neural network 200 or, in general, the learned prediction unit can be used in the operation of an energy store 100 can be used on the basis of the statistical usage data available at a certain point in time 150 of the energy storage 100 Lifetime information for the energy storage 100 to predict. On the basis of the predicted service life information, a measure can then, if necessary, be initiated, for example about the energy store 100 to wait or (before the end of the predicted service life of the energy storage device 100 ) to exchange. So can the Reliability of the operation of an energy storage device 100 and / or a vehicle in which the energy store 100 is operated, can be increased.

Es kann somit anhand von Simulationen ein virtueller Twin eines Energiespeichers 100 für eine Fahrzeugflotte erzeugt werden. Zusätzlich zu einem virtuellen Twin des Energiespeichers IC kann ein virtueller Twin von ein oder mehreren Fahrzeugen der Fahrzeugflotte erzeugt werden Dabei kann eine möglichst große Variation der unterschiedlichen Randbedingungen für den Betrieb des Energiespeichers 100 (z.B. in Bezug auf verschiedene Fahrzyklen und/oder in Bezug auf verschiedene Temperaturzyklen) bewirkt werden. So kann eine möglichst umfassende Datenbasis (d.h. eine möglichst umfassende Menge an Trainingsdaten) für einer Machine-Learning Algorithmus erzeugt werden, was es ermöglicht eine möglichst präzise Prädiktionseinheit bereitzustellen.A virtual twin of an energy store can thus be created using simulations 100 can be generated for a vehicle fleet. In addition to a virtual twin of the energy store IC, a virtual twin can be generated by one or more vehicles in the vehicle fleet. The greatest possible variation of the different boundary conditions for the operation of the energy store can be achieved 100 (eg in relation to different driving cycles and / or in relation to different temperature cycles). In this way, a database that is as comprehensive as possible (that is, the largest possible amount of training data) can be generated for a machine learning algorithm, which makes it possible to provide a prediction unit that is as precise as possible.

Mit den Daten, die anhand der Simulation ermittelt werden, kann mit Hilfe von Machine-Learning-Algorithmen der tatsächliche Alterungszustand eines in einem Fahrzeug genutzten Energiespeichers 100 ermittelt werden. Somit ist es möglich, den optimalen Zeitpunkt des Austausches eines Energiespeichers 100 (insbesondere einer Batterie) zu ermitteln. Der Energiespeicher 100 wird dann nicht zu früh getauscht, so dass Gewährleistungskosten redu; werden können. Andererseits wird der Energiespeicher 100 auch nicht zu spät getauscht, so < Ausfälle des Energiespeichers 100 und damit verbundene Konsequenzen zuverlässig vermieden werden können.With the data that are determined on the basis of the simulation, the actual state of aging of an energy storage device used in a vehicle can be determined with the aid of machine learning algorithms 100 be determined. It is thus possible to find the optimum time for replacing an energy store 100 (especially a battery). The energy storage 100 is then not exchanged too early, so that warranty costs are reduced; can be. On the other hand is the energy storage 100 also not exchanged too late, so <failures of the energy storage 100 and the associated consequences can be reliably avoided.

Mit Hilfe von Alterungsmessungen kann ein Simulationsmodell eines bestimmten Typs von Energiespeicher 100 erstellt werden. Mit diesem Simulationsmodell kann die Alterung und/oder die Lebensdauer des Energiespeichers 100 ermittelt (d.h. simuliert) werden. Diese Lebensdauerinformation hängt von der konkreten (simulierten) Nutzung des Energiespeichers 100 (z.B. von dem zeitlichen Verlauf des Stroms 102 und/oder der Temperatur und/oder weitere Faktoren) ab. Beispielsweise kann eine Simulation über einen Nutzungszeitraum von mehreren Jahren (z.B. 8 Jahren oder mehr) durchgeführt werden. Dabei können aus jeder Simulation mehrere Trainings-Datensätze erzeugt werden. Beispielsweise können die statistischen Nutzungsdaten 150 (Histogramme) in bestimmten zeitlichen Abständen (z.B. alle 2 Monate) ermittelt und gespeichert werden. So kann eine Vielzahl von Trainings-Datensätzen erzeugt werden.With the help of aging measurements, a simulation model of a certain type of energy storage 100 to be created. With this simulation model, the aging and / or the service life of the energy store 100 determined (ie simulated). This service life information depends on the specific (simulated) use of the energy storage device 100 (e.g. from the course of the current over time 102 and / or the temperature and / or other factors). For example, a simulation can be carried out over a period of use of several years (eg 8 years or more). Several training data sets can be generated from each simulation. For example, the statistical usage data 150 (Histograms) can be determined and saved at certain time intervals (e.g. every 2 months). A large number of training data sets can be generated in this way.

Die Ergebnisse der Simulation können mit Messungen und mit Daten aus Erprobungsträgern (d.h. aus tatsächlich betriebenen Energiespeichers 100) validiert werden. Die tatsächlich betriebenen Energiespeicher 100 können zu diesem Zweck vermessen werden. Somit kann das Simulationsmodell validiert werden.The results of the simulation can be combined with measurements and with data from test vehicles (ie from actually operated energy storage systems 100 ) must be validated. The actually operated energy storage 100 can be measured for this purpose. The simulation model can thus be validated.

Die Alterungssimulation des Energiespeichers 100 anhand des Simulationsmodells kann innerhalb eines bestimmten Fahrzeugmodells durchgeführt werden. Dabei können Fahrzyklen virtuell gefahren werden. Es ergibt sich dann aus dem Simulationsmodell Lebensdauerinformation für den Energiespeicher 100 für den jeweiligen Fahrzyklus (d.h. für das jeweilige Nutzungsszenario des Energiespeichers 100). Um möglichst viele reale Nutzer abzudecken, kann eine Simulations-Matrix erstellt werden. Diese besteht aus verschiedenen Kombinationen von Nutzer-relevanten Fahrzyklen. Des Weiteren können die Temperaturen in unterschiedlichen Klimazonen berücksichtigt werden. Auf Basis der Simulationen können in effizienter Weise die exakten Alterungszustände (d.h. die jeweilige Lebensdauerinformation) des (simulierten) Energiespeichers 100 in einer Vielzahl von unterschiedlichen Nutzungsszenarien bereitgestellt werden.The aging simulation of the energy storage 100 the simulation model can be used within a specific vehicle model. Driving cycles can be run virtually. Service life information for the energy storage device then results from the simulation model 100 for the respective driving cycle (ie for the respective usage scenario of the energy storage device 100 ). A simulation matrix can be created to cover as many real users as possible. This consists of various combinations of user-relevant driving cycles. Furthermore, the temperatures in different climatic zones can be taken into account. On the basis of the simulations, the exact aging conditions (ie the respective service life information) of the (simulated) energy store can be determined in an efficient manner 100 can be provided in a variety of different usage scenarios.

Aus den Ergebnissen der Simulation können die statistischen Nutzungsdaten 150 (insbesondere Histogramme für ein oder mehrere Messgrößen 102, 104) ermittelt werden, die von der Vorrichtung 110 innerhalb eines Fahrzeugs ermittelt und abgelegt werden. Aus einer Kombination bzw. aus einem Tupel von (simulierten) statistischen Nutzungsdaten 150 und (simulierter) Lebensdauerinformation kann dann jeweils ein Trainings-Datensatz zum Anlernen der Prädiktionseinheit erstellt werden.The statistical usage data can be obtained from the results of the simulation 150 (especially histograms for one or more measured variables 102 , 104 ) determined by the device 110 can be determined and stored within a vehicle. From a combination or from a tuple of (simulated) statistical usage data 150 and (simulated) service life information, a training data set for teaching the prediction unit can then be created in each case.

Mittels Machine-Learning-Algorithmen können Korrelationen der einzelnen Messgrößen und Histogramme (d.h. der statistischen Nutzungsdaten 150) betrachtet bzw. ermittelt werden. Daraus kann der Alterungszustand für die tatsächlich genutzten Energiespeicher 100 ermittelt werden. Anhand von Tests und basierend auf Erfahrung kann ermittelt werden, was der Alterungszustand eines Energiespeichers 100 ist und was der optimale Zeitpunkt zum Wechseln des Energiespeichers 100 ist. Wenn erkannt wird, dass die vorausliegende Lebensdauer eines Energiespeichers 100 kleiner als ein Lebensdauer-Schwellenwert ist, so kann der Nutzer durch Ausgabe eines Hinweises aufgefordert werden, den Energiespeicher 100 auszutauschen. So kann die Zuverlässigkeit des Betriebs eines Fahrzeugs erhöht werden.Using machine learning algorithms, correlations of the individual measured variables and histograms (ie the statistical usage data 150 ) can be considered or determined. This can be used to determine the state of aging of the energy storage devices actually used 100 be determined. With the help of tests and based on experience, it can be determined what the aging state of an energy storage device is 100 is and what the optimal time to change the energy storage 100 is. When it is recognized that the expected service life of an energy storage device 100 is less than a service life threshold value, the user can be prompted to use the energy store by outputting a message 100 to exchange. Thus, the reliability of the operation of a vehicle can be increased.

3a zeigt ein Ablaufdiagramm eines beispielhaften (Computerimplementierten) Verfahrens 300 zum Anlernen einer Machine-Learning-basierten Prädiktionseinheit, die ausgebildet ist, auf Basis von statistischen Nutzungsdaten 150 in Bezug auf eine vorhergehende bzw. eine historische Nutzung des Energiespeichers 100 Lebensdauerinformation in Bezug auf den Alterungszustand und/oder in Bezug auf die verbleibende Lebensdauer des Energiespeichers 100 bereitzustellen. Das Verfahren 300 kann durch einen Server ausgeführt werden. 3a shows a flow diagram of an exemplary (computer-implemented) method 300 for training a machine learning-based prediction unit which is designed on the basis of statistical usage data 150 in relation to a previous or historical use of the energy store 100 Service life information in relation to the state of aging and / or in relation to the remaining service life of the energy store 100 provide. The procedure 300 can be executed by a server.

Das Verfahren 300 umfasst das Ermitteln 301 einer Vielzahl von Trainings-Datensätzen. Dabei umfasst ein Trainings-Datensatz ein gemessenes oder simuliertes Tupel aus statistischen Nutzungsdaten 150 und entsprechender Lebensdauerinformation. Die Trainings-Datensätze können zumindest teilweise anhand eines (Computer-basierten) Simulationsmodells des Energiespeichers 100 ermittelt werden. Dabei kann das Simulationsmodell ausgebildet sein, das Verhalten des Energiespeichers 100 und die Alterung des Energiespeichers 100 zu simulieren. Das Simulationsmodell kann als ein Digital Twin des Energiespeichers 100 betrachtet werden. Dabei können im Rahmen des Simulationsmodells ein oder mehrere Randbedingungen des Betriebs des Energiespeichers 100 berücksichtigt werden (die sich z.B. aus dem Betrieb des Energiespeichers 100 innerhalb eines Fahrzeugs ergeben). Das Simulationsmodell kann somit auch als Digital Twin eines in einem Fahrzeug verbauten Energiespeichers 100 betrachtet werden (und Fahrzyklen und/oder Temperaturzyklen des Fahrzeugs berücksichtigen).The procedure 300 includes determining 301 a variety of training data sets. A training data set comprises a measured or simulated tuple of statistical usage data 150 and corresponding service life information. The training data sets can be at least partially based on a (computer-based) simulation model of the energy store 100 be determined. The simulation model can be designed, the behavior of the energy store 100 and the aging of the energy storage system 100 to simulate. The simulation model can be used as a digital twin of the energy storage system 100 to be viewed as. In the context of the simulation model, one or more boundary conditions for the operation of the energy store can be set 100 must be taken into account (e.g. resulting from the operation of the energy storage system 100 within a vehicle). The simulation model can therefore also be used as a digital twin of an energy storage device installed in a vehicle 100 considered (and take into account driving cycles and / or temperature cycles of the vehicle).

Im Rahmen der Simulation können für ein bestimmtes Nutzungsszenario zeitliche Verläufe von Messwerten 152 von ein oder mehrere Messgrößen 102, 104 (z.B. des Stroms 102, der Spannung 104, der Temperatur, des Ladezustands, etc.) des Energiespeichers 100 ermittelt werden. Des Weiteren können entsprechende zeitliche Verläufe des Alterungszustands und/oder der verbleibenden Lebensdauer des Energiespeichers 100 ermittelt werden. An einem bestimmten Zeitpunkt können dann die zeitlichen Verläufe der Messwerte 152 von ein oder mehrere Messgrößen 102, 104 statistisch ausgewertet werden, um statistische Nutzungsdaten 150 (z.B. ein oder mehrere Histogramme für die ein oder mehreren Messgrößen 102, 104) zu ermitteln. Des Weiteren kann der Alterungszustand und/oder die verbleibende Lebensdauer an dem bestimmten Zeitpunkt als Lebensdauerinformation verwendet werden. Das simulierte Tupel aus statistischen Nutzungsdaten 150 und Lebensdauerinformation kann dann als Trainings-Datensatz verwendet werden.Within the scope of the simulation, time courses of measured values can be made for a specific usage scenario 152 of one or more measured variables 102 , 104 (e.g. of electricity 102 , the tension 104 , the temperature, the state of charge, etc.) of the energy storage device 100 be determined. Furthermore, corresponding time profiles of the state of aging and / or the remaining service life of the energy store can be used 100 be determined. At a certain point in time, the time courses of the measured values 152 of one or more measured variables 102 , 104 statistically evaluated to provide statistical usage data 150 (e.g. one or more histograms for the one or more measured variables 102 , 104 ) to investigate. Furthermore, the state of aging and / or the remaining service life at the specific point in time can be used as service life information. The simulated tuple from statistical usage data 150 and life information can then be used as a training data set.

In entsprechender Weise können an einer Vielzahl von unterschiedlichen Zeitpunkten innerhalb eines Nutzungsszenarios und/oder für eine Vielzahl von unterschiedlichen Nutzungsszenarien jeweils Trainings-Datensätze ermittelt werden, um Trainingsdaten zum Anlernen der Prädiktionseinheit bereitzustellen.In a corresponding manner, training data records can be determined at a large number of different times within a usage scenario and / or for a large number of different usage scenarios in order to provide training data for teaching the prediction unit.

Das Verfahren 300 umfasst ferner das Anlernen 302 der Prädiktionseinheit, insbesondere eines neuronalen Netzes 200 der Prädiktionseinheit, auf Basis der Vielzahl von Trainings-Datensätzen. Zu diesem Zweck kann z.B. der o.g. Backpropagation-Algorithmus verwendet werden. Das Verfahren 300 ermöglicht es, in effizienter Weise eine präzise Prädiktionseinheit zur Vorhersage von Lebensdauerinformation (ggf. allein) auf Basis von statistischen Nutzungsdaten 150 bereitzustellen.The procedure 300 also includes teaching 302 the prediction unit, in particular a neural network 200 the prediction unit, based on the large number of training data sets. For example, the above-mentioned back-propagation algorithm can be used for this purpose. The procedure 300 enables a precise prediction unit for predicting service life information (possibly alone) on the basis of statistical usage data in an efficient manner 150 provide.

3b zeigt ein Ablaufdiagramm eines beispielhaften (Computerimplementierten) Verfahrens 310 zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher 100. Das Verfahren 310 kann durch eine Überwachungs-Vorrichtung 110 für den Energiespeicher 100 ausgeführt werden (z.B. innerhalb eines Fahrzeugs). 3b shows a flow diagram of an exemplary (computer-implemented) method 310 to determine service life information for an electrical energy storage device 100 . The procedure 310 can through a monitoring device 110 for the energy storage 100 carried out (e.g. within a vehicle).

Das Verfahren 310 umfasst das Ermitteln 311 von statistischen Nutzungsdaten 150 in Bezug auf die vorhergehende (tatsächliche) Nutzung des Energiespeichers 100. Die statistischen Nutzungsdaten 150 können z.B. während des Betriebs des Energiespeichers 100 wiederholt, insbesondere periodisch, aktualisiert werden.The procedure 310 includes determining 311 of statistical usage data 150 in relation to the previous (actual) use of the energy storage device 100 . The statistical usage data 150 can, for example, during operation of the energy storage device 100 be updated repeatedly, in particular periodically.

Des Weiteren umfasst das Verfahren 310 das Ermitteln 312, anhand einer Machine-Learning-basierten Prädiktionseinheit und auf Basis der statistischen Nutzungsdaten 150, von Lebensdauerinformation in Bezug auf den Alterungszustand und/oder in Bezug auf die verbleibende Lebensdauer des Energiespeichers 100. Die Prädiktionseinheit kann z.B. anhand des Verfahrens 300 angelernt worden sein.The method also includes 310 determining 312 based on a machine learning-based prediction unit and on the basis of statistical usage data 150 , of service life information in relation to the state of aging and / or in relation to the remaining service life of the energy store 100 . The prediction unit can, for example, using the method 300 have been trained.

Die in diesem Dokument beschriebenen Maßnahmen ermöglichen es, den Alterungszustand (z.B. das effektive Alter) und/oder die verbleibende Lebensdauer eines (elektrochemischen) Energiespeichers in präziser und zuverlässiger Weise zu ermitteln (ggf. allein auf Basis von statistischen und/oder kumulierten Nutzungsdaten).The measures described in this document make it possible to determine the state of aging (e.g. the effective age) and / or the remaining service life of an (electrochemical) energy storage device in a precise and reliable manner (possibly solely on the basis of statistical and / or cumulative usage data).

Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur beispielhaft das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.The present invention is not restricted to the exemplary embodiments shown. In particular, it should be noted that the description and the figures are only intended to illustrate the principle of the proposed methods, devices and systems by way of example.

Claims (12)

Vorrichtung (110) zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher (100); wobei die Vorrichtung (110) eingerichtet ist, - statistische Nutzungsdaten (150) in Bezug auf eine vorhergehende Nutzung des Energiespeichers (100) zu ermitteln; und - anhand einer Machine-Learning-basierten Prädiktionseinheit und auf Basis der statistischen Nutzungsdaten (150) Lebensdauerinformation in Bezug auf einen Alterungszustand und/oder in Bezug auf eine verbleibende Lebensdauer des Energiespeichers (100) zu ermitteln.Device (110) for determining service life information for an electrical energy store (100); wherein the device (110) is set up, - to determine statistical usage data (150) in relation to a previous use of the energy store (100); and - Using a machine learning-based prediction unit and based on the statistical usage data (150) to determine service life information in relation to an aging condition and / or in relation to a remaining service life of the energy store (100). Vorrichtung (110) gemäß Anspruch 1, wobei - die statistischen Nutzungsdaten (150) eine statistische Verteilung von Messwerten (152) von ein oder mehreren Messgrößen (102, 104) des Energiespeichers (100) bei der vorhergehenden Nutzung des Energiespeichers (100) anzeigen; und - die ein oder mehrere Messgrößen (102, 104) umfassen, - einen Strom (102) in den und/oder aus dem Energiespeicher (100); - eine Spannung (104) an dem Energiespeicher (100); - eine Temperatur des Energiespeichers (100); und/oder - einen Ladezustand des Energiespeichers (100).Device (110) according to Claim 1 wherein - the statistical usage data (150) indicate a statistical distribution of measured values (152) of one or more measured variables (102, 104) of the energy store (100) during the previous use of the energy store (100); and - which comprise one or more measured variables (102, 104), - a current (102) into and / or from the energy store (100); - A voltage (104) on the energy store (100); - A temperature of the energy store (100); and / or - a state of charge of the energy store (100). Vorrichtung (110) gemäß einem der vorhergehenden Ansprüche, wobei - die statistischen Nutzungsdaten (150) keine zeitlichen Verläufe von Messwerten von ein oder mehreren Messgrößen (102, 104) des Energiespeichers (100) bei der vorhergehenden Nutzung des Energiespeichers (100) anzeigen; und/oder - die statistischen Nutzungsdaten (150) eine Häufigkeit (151) anzeigen, mit der eine Messgröße (102, 104) des Energiespeichers (100) bei der vorhergehenden Nutzung des Energiespeichers (100) einen bestimmten Messwert (152) aufgewiesen hat; und - die statistischen Nutzungsdaten (150) keinen Zeitpunkt anzeigen, an dem die Messgröße (102, 104) des Energiespeichers (100) bei der vorhergehenden Nutzung des Energiespeichers (100) einen bestimmten Messwert (152) aufgewiesen hat.Device (110) according to one of the preceding claims, wherein - The statistical usage data (150) do not show any temporal progressions of measured values of one or more measured variables (102, 104) of the energy store (100) during the previous use of the energy store (100); and or - The statistical usage data (150) indicate a frequency (151) with which a measured variable (102, 104) of the energy store (100) had a certain measured value (152) during the previous use of the energy store (100); and - The statistical usage data (150) do not indicate a point in time at which the measured variable (102, 104) of the energy store (100) had a specific measured value (152) when the energy store (100) was previously used. Vorrichtung (110) gemäß einem der vorhergehenden Ansprüche, wobei die statistischen Nutzungsdaten (150) Histogramme von Messwerten (152) für ein oder mehrere Messgrößen (102, 104) des Energiespeichers (100) bei der vorhergehenden Nutzung des Energiespeichers (100) umfassen.Device (110) according to one of the preceding claims, wherein the statistical usage data (150) include histograms of measured values (152) for one or more measured variables (102, 104) of the energy store (100) during the previous use of the energy store (100). Vorrichtung (110) gemäß einem der vorhergehenden Ansprüche, wobei - die Machine-Learning-basierte Prädiktionseinheit auf Basis von Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen angelernt wurde; und - ein Trainings-Datensatz ein gemessenes oder simuliertes Tupel aus statistischen Nutzungsdaten (150) und entsprechender Lebensdauerinformation umfasst.Device (110) according to one of the preceding claims, wherein - the machine-learning-based prediction unit was trained on the basis of training data with a large number of training data sets; and - A training data set comprises a measured or simulated tuple of statistical usage data (150) and corresponding service life information. Vorrichtung (110) gemäß einem der vorhergehenden Ansprüche, wobei - die Machine-Learning-basierte Prädiktionseinheit ausgebildet ist, unterschiedlichen Datensätzen mit statistischen Nutzungsdaten (150) unterschiedliche Datensätze mit Lebensdauerinformation zuzuweisen; und - die Machine-Learning-basierten Prädiktionseinheit insbesondere ein neuronales Netz (200) umfasst, das ein oder mehrere Eingangs-Knoten (202) zur Aufnahme eines Datensatzes mit statistischen Nutzungsdaten (150) und ein oder mehrere Ausgangs-Knoten (220) zur Bereitstellung eines entsprechenden Datensatzes mit Lebensdauerinformation aufweist.Device (110) according to one of the preceding claims, wherein - The machine-learning-based prediction unit is designed to assign different data sets with service life information to different data sets with statistical usage data (150); and - The machine learning-based prediction unit comprises in particular a neural network (200) which has one or more input nodes (202) for receiving a data set with statistical usage data (150) and one or more output nodes (220) for providing a corresponding data set with service life information. Vorrichtung (110) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (110) eingerichtet ist, - in Abhängigkeit von der ermittelten Lebensdauerinformation einen Hinweis an einen Nutzer des Energiespeichers (100) auszugeben, insbesondere um den Nutzer zu veranlassen, den Energiespeicher (100) auszutauschen; und/oder - die durch die ermittelte Lebensdauerinformation angezeigte verbleibende Lebensdauer des Energiespeichers (100) mit einem Lebensdauer-Schwellenwert zu vergleichen; und - eine Maßnahme zur Wartung und/oder zum Austausch des Energiespeichers (100) zu veranlassen, wenn ermittelt wird, dass die verbleibende Lebensdauer kleiner als der Lebensdauer-Schwellenwert ist.Device (110) according to one of the preceding claims, wherein the device (110) is set up - to output a message to a user of the energy store (100) as a function of the determined service life information, in particular to induce the user to replace the energy store (100); and or - to compare the remaining service life of the energy store (100) indicated by the service life information determined with a service life threshold value; and - To initiate a measure for the maintenance and / or for the exchange of the energy store (100) if it is determined that the remaining service life is less than the service life threshold value. Vorrichtung zum Anlernen einer Machine-Learning-basierten Prädiktionseinheit, die ausgebildet ist, auf Basis von statistischen Nutzungsdaten (150) in Bezug auf eine vorhergehende Nutzung des Energiespeichers (100) Lebensdauerinformation in Bezug auf einen Alterungszustand und/oder in Bezug auf eine verbleibende Lebensdauer des Energiespeichers (100) bereitzustellen; wobei die Vorrichtung eingerichtet ist, - eine Vielzahl von Trainings-Datensätzen bereitzustellen; wobei ein Trainings-Datensatz ein gemessenes oder simuliertes Tupel aus statistischen Nutzungsdaten (150) und entsprechender Lebensdauerinformation umfasst; und - die Prädiktionseinheit, insbesondere ein neuronales Netz (200) der Prädiktionseinheit, auf Basis der Vielzahl von Trainings-Datensätzen anzulernen.Device for training a machine learning-based prediction unit, which is designed on the basis of statistical usage data (150) with regard to a previous use of the energy store (100) service life information with regard to an aging condition and / or with regard to a remaining service life of the To provide energy storage device (100); wherein the device is set up, - provide a large number of training data sets; wherein a training data set comprises a measured or simulated tuple of statistical usage data (150) and corresponding lifetime information; and - to train the prediction unit, in particular a neural network (200) of the prediction unit, on the basis of the large number of training data sets. Vorrichtung gemäß Anspruch 8, wobei die Vorrichtung eingerichtet ist, - mittels eines Simulationsmodells des Energiespeichers (100) ein Nutzungsszenario des Energiespeichers (100) von einer Inbetriebnahme bis zu einem Lebensende des Energiespeichers (100) zu simulieren; und - an zumindest einem Zeitpunkt innerhalb des Nutzungsszenarios auf Basis von Daten aus dem Simulationsmodell einen Trainings-Datensatz mit einem simulierten Tupel aus statistischen Nutzungsdaten (150) und entsprechender Lebensdauerinformation zu ermitteln.Device according to Claim 8 , wherein the device is set up - to simulate a usage scenario of the energy store (100) from commissioning to the end of the life of the energy store (100) by means of a simulation model of the energy store (100); and - at at least one point in time within the usage scenario, based on data from the simulation model, to determine a training data set with a simulated tuple of statistical usage data (150) and corresponding service life information. Vorrichtung gemäß Anspruch 9, wobei die Vorrichtung eingerichtet ist, - mittels des Simulationsmodells mehrere unterschiedliche Nutzungsszenarien zu simulieren; wobei die unterschiedlichen Nutzungsszenarien unterschiedliche zeitliche Verläufe von Messwerten (152) für ein oder mehrere Messgrößen (102, 104) des Energiespeichers (100) umfassen; und - für jedes der unterschiedlichen Nutzungsszenarien zumindest einen Trainings-Datensatz zu ermitteln.Device according to Claim 9 , wherein the device is set up to simulate several different usage scenarios by means of the simulation model; with the different usage scenarios comprise different time courses of measured values (152) for one or more measured variables (102, 104) of the energy store (100); and to determine at least one training data set for each of the different usage scenarios. Verfahren (310) zur Ermittlung von Lebensdauerinformation für einen elektrischen Energiespeicher (100); wobei das Verfahren (310) umfasst, - Ermitteln (311) von statistischen Nutzungsdaten (150) in Bezug auf eine vorhergehende Nutzung des Energiespeichers (100); und - Ermitteln (312), anhand einer Machine-Learning-basierten Prädiktionseinheit und auf Basis der statistischen Nutzungsdaten (150), von Lebensdauerinformation in Bezug auf einen Alterungszustand und/oder in Bezug auf eine verbleibende Lebensdauer des Energiespeichers (100).Method (310) for determining service life information for an electrical energy store (100); wherein the method comprises (310), - Determination (311) of statistical usage data (150) in relation to a previous use of the energy store (100); and - Determination (312), using a machine learning-based prediction unit and based on the statistical usage data (150), of service life information in relation to an aging condition and / or in relation to a remaining service life of the energy store (100). Verfahren (300) zum Anlernen einer Machine-Learning-basierten Prädiktionseinheit, die ausgebildet ist, auf Basis von statistischen Nutzungsdaten (150) in Bezug auf eine vorhergehende Nutzung des Energiespeichers (100) Lebensdauerinformation in Bezug auf einen Alterungszustand und/oder in Bezug auf eine verbleibende Lebensdauer des Energiespeichers (100) bereitzustellen; wobei das Verfahren (300) umfasst, - Ermitteln (301) einer Vielzahl von Trainings-Datensätzen; wobei ein Trainings-Datensatz ein gemessenes oder simuliertes Tupel aus statistischen Nutzungsdaten (150) und entsprechender Lebensdauerinformation umfasst; und - Anlernen (302) der Prädiktionseinheit, insbesondere eines neuronalen Netzes (200) der Prädiktionseinheit, auf Basis der Vielzahl von Trainings-Datensätzen.Method (300) for teaching a machine learning-based prediction unit, which is designed, on the basis of statistical usage data (150) with regard to a previous use of the energy store (100) service life information with regard to an aging condition and / or with regard to a provide the remaining service life of the energy store (100); wherein the method comprises (300), - determining (301) a plurality of training data sets; wherein a training data set comprises a measured or simulated tuple of statistical usage data (150) and corresponding lifetime information; and - Learning (302) the prediction unit, in particular a neural network (200) of the prediction unit, on the basis of the large number of training data sets.
DE102020108365.3A 2020-03-26 2020-03-26 Method and device for determining service life information for an electrical energy store Pending DE102020108365A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102020108365.3A DE102020108365A1 (en) 2020-03-26 2020-03-26 Method and device for determining service life information for an electrical energy store

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020108365.3A DE102020108365A1 (en) 2020-03-26 2020-03-26 Method and device for determining service life information for an electrical energy store

Publications (1)

Publication Number Publication Date
DE102020108365A1 true DE102020108365A1 (en) 2021-09-30

Family

ID=77658586

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020108365.3A Pending DE102020108365A1 (en) 2020-03-26 2020-03-26 Method and device for determining service life information for an electrical energy store

Country Status (1)

Country Link
DE (1) DE102020108365A1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021204849A1 (en) 2021-05-12 2022-11-17 Volkswagen Aktiengesellschaft Prediction of a characteristic of a target fleet
DE102021214154A1 (en) 2021-12-10 2023-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Computer-implemented method for providing an aging state model for determining a current and predicted aging state of an electrical energy storage device using machine learning methods
DE102022200538A1 (en) 2022-01-18 2023-07-20 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for initially providing an aging state model for energy stores based on active learning algorithms
DE102022101709A1 (en) 2022-01-25 2023-07-27 Viessmann Climate Solutions Se Method of operating an energy source
DE102022125624A1 (en) 2022-10-05 2024-04-11 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method for generating a digital twin of a battery
DE102022128833A1 (en) 2022-10-31 2024-05-02 Bayerische Motoren Werke Aktiengesellschaft Simulation of an electrical energy storage system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009024422A1 (en) 2009-06-09 2011-01-13 Continental Automotive Gmbh Method for estimating durability of energy storage for hybrid vehicle, involves determining values of operating parameter of energy storage, where frequency distribution of operating parameter values, is determined
DE102018213991A1 (en) 2018-08-20 2020-02-20 Audi Ag Method for determining the life of a battery and vehicle with a battery
EP3770620A1 (en) 2018-03-20 2021-01-27 GS Yuasa International Ltd. Deterioration estimation device, computer program and deterioration estimation method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009024422A1 (en) 2009-06-09 2011-01-13 Continental Automotive Gmbh Method for estimating durability of energy storage for hybrid vehicle, involves determining values of operating parameter of energy storage, where frequency distribution of operating parameter values, is determined
EP3770620A1 (en) 2018-03-20 2021-01-27 GS Yuasa International Ltd. Deterioration estimation device, computer program and deterioration estimation method
DE102018213991A1 (en) 2018-08-20 2020-02-20 Audi Ag Method for determining the life of a battery and vehicle with a battery

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021204849A1 (en) 2021-05-12 2022-11-17 Volkswagen Aktiengesellschaft Prediction of a characteristic of a target fleet
DE102021214154A1 (en) 2021-12-10 2023-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Computer-implemented method for providing an aging state model for determining a current and predicted aging state of an electrical energy storage device using machine learning methods
DE102022200538A1 (en) 2022-01-18 2023-07-20 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for initially providing an aging state model for energy stores based on active learning algorithms
DE102022101709A1 (en) 2022-01-25 2023-07-27 Viessmann Climate Solutions Se Method of operating an energy source
DE102022125624A1 (en) 2022-10-05 2024-04-11 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method for generating a digital twin of a battery
DE102022128833A1 (en) 2022-10-31 2024-05-02 Bayerische Motoren Werke Aktiengesellschaft Simulation of an electrical energy storage system

Similar Documents

Publication Publication Date Title
DE102020108365A1 (en) Method and device for determining service life information for an electrical energy store
DE102016011520B4 (en) Production equipment with machine learning system and assembly and testing unit
DE4436658A1 (en) Device and process for investigating disturbances
DE102012103652A1 (en) Method, computer program and system for performing interpolation on sensor data for high system availability
DE102020215297A1 (en) Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods
WO2020216530A1 (en) Method for determining remaining useful life cycles, remaining useful life cycle determination circuit, and remaining useful life cycle determination apparatus
DE102019217613A1 (en) METHOD OF DIAGNOSING AN ENGINE CONDITION AND DIAGNOSTIC MODELING METHOD FOR THEREOF
EP3460727A1 (en) Method for examining a functional behaviour of a technical system and evaluation unit
DE102018132658A1 (en) Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle
DE102020212280A1 (en) Method and device for training a state model based on artificial intelligence for determining a state variable of an electrical energy store
DE102020107001A1 (en) Method and device for determining the status of an on-board electrical system of a vehicle
DE102021204014A1 (en) Method and device for providing an aging state model for determining current and predicted aging states of electrical energy stores using transfer learning using machine learning methods
DE102013017059A1 (en) Method for detecting wear condition of accumulator in motor vehicle, involves determining wearing condition by model, in which virtual loading profiles are provided with operating value
DE102022202882A1 (en) Method and device for providing a predicted aging state of a device battery based on a predicted usage pattern
DE102020214264A1 (en) Tuning device and tuning method for a model for estimating a clutch temperature
DE102020107003A1 (en) Method and device for monitoring an on-board electrical system of a vehicle
EP4099036B1 (en) Simulation of the performance of an energy storage device
BE1030866B1 (en) Computer program and method for the analysis of inhomogeneities as well as anomaly detection and prediction of electrical energy storage systems
DE102022200008A1 (en) Method and system for efficiently monitoring battery cells of a device battery in a device-external central unit using a digital twin
DE102021212689A1 (en) Method and device for providing a predicted state of health of a device battery based on a predicted usage pattern
DE102020212295A1 (en) Method and device for providing training data for training a data-based state model for determining a state of an electrical energy store
EP3974246A1 (en) Method and apparatus for robust prediction of the aging behavior of an energy storage device in a battery operated machine
DE102021208340A1 (en) Method and device for providing a calculated and predicted state of health of an electrical energy store with a state of health model determined using machine learning methods and active learning methods
DE102022200538A1 (en) Method and device for initially providing an aging state model for energy stores based on active learning algorithms
DE102021211918A1 (en) Method and device for providing a calculated or predicted aging state of electrical energy storage devices with aging state models determined using machine learning methods and for the optimized operation of a large number of energy storage devices

Legal Events

Date Code Title Description
R163 Identified publications notified